Professional Documents
Culture Documents
1. Introducción
La Metodología de Superficies de Respuesta (MSR) es una combinación de análisis de Regresión y Diseño
Experimental que fue introducida por Box y Wilson en 1951. Es una estrategia de experimentación secuen-
cial y modelación que conduce a la localización de los valores óptimos de las variables independientes que
maximizan, minimizan o cumplen ciertas restricciones en la variable respuesta.
donde ε representa el ruido o error observado en la respuesta Y , xi son factores cuantitativos observados.
En esta primera fase, se utilizan experimentos factoriales completos 2k o fraccionarios 2k−p , con el fin de
estimar las respuestas medias para un modelo lineal o de primer orden, como el de la ecuación (2). Se
recomienda generalmente agregar dos o más observaciones en el nivel medio de cada uno de los factores
para estimar el error experimental y tener un mecanismo de evaluación para saber si el modelo lineal es
apropiado.
En la siguiente etapa, una vez identificada la región de respuesta óptima, los diseños factoriales completos
o fraccionarios a dos niveles no son suficientes, pues se requieren al menos tres niveles para cada factor
y el diseño debe de tener 1 + 2k + k(k − 1)/2 puntos distintos para estimar los parámetros de un modelo
de regresión cuadrática.
Modelo cuadrático o de segundo orden:
∑
k ∑
k ∑
j−1 ∑
k
Y = β0 + βi xi + βij xi xj + βii x2 + ε (3)
i=1 j=2 i=1 i=1
Entre los diseños experimentales que pueden ser utilizados en esta fase están los experimentos factoriales
3k , sin embargo son considerados poco prácticos por el elevado número de combinaciones de tratamien-
tos que requiere. Existen otros diseños desarrollados para la aproximación a una superficie de segundo
orden, que no requieren tantas combinaciones de tratamientos, entre estos están los diseños centrales
compuestos propuestos por Box y Wilson, y los diseños Box-Behnken.
Ŷ = β̂0 + x′ b + x′ Bx (4)
El punto crítico, si es que existe, será un conjunto de condiciones en x tal que las derivadas parciales ∂ Ŷ
∂xi
son simultáneamente cero, es decir:
∂ Ŷ ∂ ′
= (x b + x′ Bx) = 0
∂x ∂x
b + 2Bx = 0,
la forma (0,0,0,. . .,0). Dependiendo de la elección de α en los puntos axiales, el diseño central compuesto
puede tener diferentes propiedades como ortogonalidad, rotabilidad y uniformidad. Se considerará sola-
mente una propiedad deseable en estos diseños consistente en que la varianza de los valores estimados
sea constante en puntos equidistantes del centro del diseño. Esta propiedad llamada rotabilidad se logra
estableciendo α = (2k )1/4 . Así, el valor de α para un diseño con dos factores es α = 1,414 y para tres
factores α = 1,682. La fórmula para α cambiará si se realizan réplicas del diseño o si se utiliza un diseño
factorial fraccionario.
5. Ejemplo de aplicación
Para ejemplificar el procedimiento de superficies de respuesta se utilizarán los datos del ejercicio propuesto
5.6 del libro Response Surfaces de André I. Khuri, John A. Cornell.
Se aplicaron a parcelas experimentales de maní dos tipos de fertilizantes, uno estándar de la combinación
de Nitrógeno-Fósforo-Potasio (Factor A) y el otro un suplemento nutricional (Factor B), se observará los
efectos en el rendimiento del maní medido en libras por parcela. Los niveles de cantidad (libras/parcela) de
cada fertilizante aplicado fueron determinados de acuerdo a lo requerido por el diseño central compuesto
rotable.
En el siguiente cuadro se presenta los datos utilizados, el procedimiento se realizó aplicando el software
Statgraphics, en el cual se eligió el diseño compuesto 2k estrella y el modelo cuadrático para la estimación
del rendimiento (Y ).
Rendimiento (Y )
(lb/parcela)
Factor 1 Factor 2 x1 x2 Réplica 1 Réplica 2
50 15 −1 −1 7,52 8,12
120 15 1 −1 12,37 11,84
50 25 −1 1 13,55 12,35
120 25 1 1 16,48 15,32
35,5 20 −1,414 0 8,63 9,44
134,5 20 1,414 0 14,22 12,57
85 12,9 0 −1,414 7,9 7,33
85 27,1 0 1,414 16,49 17,4
85 20 0 0 15,73 17
85 20 0 0 16,3 16,3
B:Factor_B +
-
AA
A:Factor_A
BB
AB
0 5 10 15 20 25
Efecto estandarizado
El Cuadro 2 muestra las estimaciones para cada uno de los efectos estimados y las interacciones. Igual-
mente se muestran los intervalos de confianza del 95,0 % para los estimados. Note también que el factor
de inflación de varianza (V.I.F.) más grande, es igual a 1,225. Para un diseño perfectamente ortogonal,
todos los factores serían igual a 1.
Suma de Cuadrado
Fuente Gl Razón-F Valor-P
Cuadrados Medio
A: Factor A 44,8965 1 44,8965 220,38 0,0045
B: Factor B 122,319 1 122,319 600,41 0,0017
AA 54,754 1 54,754 268,76 0,0037
AB 0,891112 1 0,891112 4,37 0,1716
BB 33,5179 1 33,5179 164,52 0,0060
bloques 0,11552 1 0,11552 0,57 0,5300
Falta de ajuste 9,90654 11 0,900595 4,42 0,1988
Error puro 0,40745 2 0,203725
Total (corr.) 241,688 19
R-cuadrada = 95,7325 por ciento Error absoluto medio = 0,606823
R-cuadrada (ajustada por g.l.) = 93,7629 por ciento Estadístico Durbin-Watson = 1,88927 (P =0,3267)
Error estándar del est. = 0,451359 Autocorrelación residual de Lag 1 = 0,0523126
El cuadro 3 (ANOVA) particiona la variabilidad de Y (rendimiento) en valores separados para cada uno de
los efectos, prueba la significancia estadística de cada efecto comparando su cuadrado medio contra un
estimado del error experimental. En este caso, 4 efectos tienen una valor-P menor que 0,05 indicando
que son significativamente diferentes de cero con un nivel de confianza del 95,0 %.
La prueba de falta de ajuste está diseñada para determinar si el modelo seleccionado es adecuado pa-
ra describir los datos observados o si se debería usar un modelo más complicado. La prueba se realiza
comparando la variabilidad de los residuos del modelo actual con la variabilidad entre observaciones ob-
tenidas en condiciones repetidas de los factores. Dado que el valor-P para la falta de ajuste en la tabla
ANOVA es mayor que 0,05, el modelo cuadrático parece ser adecuado para los datos observados al nivel
de confianza del 95,0 %.
El estadístico R-cuadrado indica que el modelo, así ajustado, explica 95,7325 % de la variabilidad en Y .
El estadístico R-cuadrado ajustado, que es más adecuado para comparar modelos con diferente número
de variables independientes, es 93,7629 %. El error estándar del estimado muestra que la desviación
estándar de los residuos es 0,451359. El error medio absoluto (MAE) de 0,606823 es el valor promedio
de los residuos. El estadístico de Durbin-Watson (DW) prueba si en los residuos hay alguna correlación
significativa basada en el orden en que se presentan los datos en el archivo. Puesto que el valor-P es
mayor que 5,0 %, no hay indicación de autocorrelación serial en los residuos con un nivel de significancia
del 5,0 %.
Coeficiente Estimado
constante 16,3325
A: Factor A 1,67512
B: Factor B 2,76495
AA −2,44719
AB −0,33375
BB −1,91469
19
17
Factor_B=1,0
15
VRen
13 Factor_B=1,0
11 Factor_B=-1,0
7 Factor_B=-1,0
-1,0 1,0
Factor_A
19
15
11
VRen
3
1,5
-1 1
0,5
0
-1,5 -1 -0,5
-0,5 0 0,5 -1
1 1,5 -1,5 Factor_B
Factor_A
Predicción para
Factor A Factor B
Rendimiento (Y ) (lb)
0,0 0,0 16,3325
1,0 0,913353 16,1837
2,0 1,21709 9,61052
3,0 1,51843 −2,40338
4,0 1,81851 −19,8535
5,0 2,11775 −42,7373
9,0
11,0
0
13,0
15,0
-0,5 17,0
11,0 19,0
-1 9,0
7,0
-1,5 1,0 3,0 5,0
-1,5 -1 -0,5 0 0,5 1 1,5
Factor_A
Referencias
[1] Box, George E. P.; Draper, Norman R. Empirical Model – Building and Response Surfaces.
[3] Draper, N. R. Center Points in Second Order Response Surface Design. Technometrics Vol.18.
[5] Khuri, André I.; Cornell, John A. Response Surfaces Designs and Analyses.